歡迎來到最大概似估計 (Maximum Likelihood Estimation, MLE) 的世界！

你好！今天我們將深入探討精算師工具箱中最強大的工具之一：最大概似估計，簡稱為 MLE。如果你曾經看著一堆保險理賠數據，心想：「到底哪種數學模型最適合這些數據？」，那麼 MLE 就是你的答案。

你可以把 MLE 想成是一個「逆向工程」的過程。通常我們手上有公式，被要求去計算機率；但在 MLE 中，我們手上已經有了結果（數據），我們正試圖找出最有可能產生這些結果的公式（參數）。如果現在覺得這有點抽象也不用擔心，我們會一步一步拆解給你聽！

1. 核心概念：什麼是概似 (Likelihood)？

想像你有一個硬幣，投擲 10 次後出現 9 次正面。對於正面出現的機率 (\( p \))，你有兩個猜測：0.5（公平硬幣）或 0.9（加權硬幣）。哪一個比較「有可能」？顯然是 0.9！在精算學中，我們對理賠金額（嚴重程度）和理賠次數（頻率）所做的分析也是一樣的道理。

概似函數 \( L(\theta) \)：
概似函數是在給定參數 \( \theta \) 的情況下，觀察到我們特定數據集的機率（對於離散數據）或機率密度（對於連續數據）。如果我們有獨立的觀察值 \( x_1, x_2, ..., x_n \)，其概似值就是各個觀察值機率的乘積：

\( L(\theta) = f(x_1 | \theta) \times f(x_2 | \theta) \times ... \times f(x_n | \theta) = \prod_{i=1}^{n} f(x_i | \theta) \)

目標： 找到使 \( L(\theta) \) 最大的 \( \theta \) 值。這個值稱為最大概似估計量，記作 \( \hat{\theta} \)。

小貼士：為什麼我們喜歡用對數？

將一堆小數相乘非常麻煩，運用微積分處理乘積更是災難（乘法法則太複雜了！）。為了讓生活輕鬆一點，我們取概似函數的自然對數。這能將乘法轉換為加法：

\( \ell(\theta) = \ln[L(\theta)] = \sum_{i=1}^{n} \ln[f(x_i | \theta)] \)

由於對數函數是「遞增」的，使對數概似函數 (log-likelihood) 達到最大的 \( \theta \)，同樣也會使原本的概似函數達到最大！

重點總結： 概似函數不過就是你手中數據發生的機率。我們使用對數是為了讓運算過程更易於管理。

2. 尋找 MLE 的步驟指南

當你在 FAM 考試中遇到 MLE 題目時，請遵循以下步驟：

第一步： 寫下該分佈的密度函數 \( f(x) \) 或機率質量函數 \( p(x) \)。
第二步： 寫出概似函數 \( L(\theta) \)（各項密度的乘積）。
第三步： 取自然對數得到對數概似函數 \( \ell(\theta) \)。
第四步： 對 \( \theta \) 求導：\( \frac{d}{d\theta} \ell(\theta) \)。
第五步： 令導數等於零並解出 \( \theta \)。這就是你的 \( \hat{\theta} \)！

範例：指數分佈 (Exponential Distribution)

如果我們有來自平均值為 \( \theta \) 的指數分佈的理賠數據 \( x_1, ..., x_n \)，其密度函數為 \( f(x) = \frac{1}{\theta} e^{-x/\theta} \)。
1. \( L(\theta) = \prod \frac{1}{\theta} e^{-x_i/\theta} = \theta^{-n} e^{-\sum x_i / \theta} \)
2. \( \ell(\theta) = -n \ln(\theta) - \frac{\sum x_i}{\theta} \)
3. \( \frac{d}{d\theta} \ell(\theta) = -\frac{n}{\theta} + \frac{\sum x_i}{\theta^2} = 0 \)
4. 解出 \( \theta \) 得到 \( \hat{\theta} = \frac{\sum x_i}{n} = \bar{x} \)（樣本平均數）。

你知道嗎？對於許多常見的分佈，MLE 就是樣本平均數！這包括指數分佈、卜瓦松分佈 (Poisson) 和伯努利分佈 (Bernoulli)。

3. 嚴重程度 (Severity) 的 MLE：處理截斷與設限

在現實世界中，保險數據很少是「乾淨」的。我們經常要處理自負額 (Deductibles)（左截斷）和保單限額 (Policy Limits)（右設限）。這是 FAM 考試中最熱門的主題之一！

A. 分組數據 (Grouped Data)

有時候我們不知道精確的理賠金額，只知道它落在某個區間（例如：500 元到 1,000 元之間）。對於落在區間 \( (c_{j-1}, c_j] \) 的觀察值，對概似函數的貢獻就是落在該區間的機率：

\( P(c_{j-1} < X \le c_j) = F(c_j) - F(c_{j-1}) \)

B. 設限數據 (Censored Data，保單限額)

如果一筆理賠在限額 \( u \) 處被「設限」，意味著實際理賠金額其實至少是 \( u \)，但我們只記錄了 \( u \)。對於這些數據點，我們不使用密度函數 \( f(x) \)，而是使用生存函數 (Survival Function) \( S(u) \)。

邏輯： 我們不知道理賠確切的金額，只知道它超過了 \( u \)。

C. 截斷數據 (Truncated Data，自負額)

如果保單有自負額 \( d \)，我們只會看到 \( X > d \) 的理賠。這稱為「左截斷」。我們必須使用條件密度函數：

\( f(x | X > d) = \frac{f(x)}{S(d)} \)

快速回顧：概似函數貢獻表

個別、精確數值 \( x \)： 使用 \( f(x) \)
在 \( u \) 處設限（限額）： 使用 \( S(u) \)
在 \( d \) 處截斷（自負額）： 對於每一個此類觀察值，需將整個概似函數除以 \( S(d) \)。

常見錯誤： 出現自負額時忘記除以 \( S(d) \)。如果數據被截斷了，你的機率空間會縮小，因此必須進行「重新歸一化」！

4. 頻率分佈 (Frequency Distributions) 的 MLE

頻率處理的是理賠的「次數」。過程是一樣的，但我們使用機率質量函數 (pmf) 來代替密度函數。

三大常見頻率分佈：

1. 卜瓦松 (Poisson, \( \lambda \))： MLE \( \hat{\lambda} \) 就是樣本平均數 \( \bar{x} \)。
2. 二項分佈 (Binomial, \( m, q \))： 如果 \( m \) 已知，\( \hat{q} = \frac{\bar{x}}{m} \)。
3. 負二項分佈 (Negative Binomial, \( r, \beta \))： 如果 \( r \) 已知，\( \hat{\beta} = \frac{\bar{x}}{r} \)。

等等，如果參數未知怎麼辦？

如果你手上有頻率表（例如：50 人有 0 次理賠，30 人有 1 次理賠等），你的概似函數為：
\( L = [P(X=0)]^{n_0} \times [P(X=1)]^{n_1} \times ... \)

總結： 頻率的 MLE 通常就是找到與觀察到的平均理賠次數相符的參數。

5. MLE 的特性（為什麼我們使用它）

你可能會好奇為什麼我們要進行這麼多微積分運算。當樣本量 \( n \) 變得非常大時，MLE 擁有一些「超能力」：

1. 漸近不偏性 (Asymptotic Unbiasedness)： 隨著 \( n \) 增加，偏差趨近於零。
2. 一致性 (Consistency)： 隨著 \( n \) 增加，估計值會越來越接近真實值。
3. 漸近常態性 (Asymptotic Normality)： 對於大的 \( n \)，\( \hat{\theta} \) 的分佈看起來像常態分佈！這讓我們可以建立信賴區間。
4. 不變性 (Invariance)： 這是學生最喜歡的特性。如果 \( \theta \) 的 MLE 是 \( \hat{\theta} \)，那麼任何函數 \( g(\theta) \) 的 MLE 簡單來說就是 \( g(\hat{\theta}) \)。
範例：如果變異數 \( \sigma^2 \) 的 MLE 是 100，那麼標準差 \( \sigma \) 的 MLE 就是 \( \sqrt{100} = 10 \)。不需要額外的微積分！

FAM 考試最後準備小貼士

1. 練習對數運算： 大多數錯誤發生在簡化 \( \ln(L) \) 的代數過程中。記住 \( \ln(a^b) = b \ln(a) \) 和 \( \ln(ab) = \ln(a) + \ln(b) \)。
2. 留意捷徑： 如果題目要求的是標準分佈（如指數或卜瓦松）參數的 MLE，且沒有設限或截斷，答案幾乎總是樣本平均數。
3. 「自負額」陷阱： 務必檢查數據是「每次付款」(per payment) 還是「每次損失」(per loss)。如果是「每次付款」，數據在自負額 \( d \) 處是被截斷的。
4. 不要驚慌： 如果導數看起來根本解不開，看看選項。有時候你可以直接將選項代入，看看哪一個能使導數為零。

重點總結： MLE 的核心是通過最大化我們實際觀察到數據的機率來找到「最佳擬合」。熟練掌握對數概似函數的步驟以及如何處理自負額，你就離通過 FAM 考試不遠了！